GPU mākonis
GPU mākonis: NVIDIA GPU serveru noma ar stundas likmi
Iznomājiet NVIDIA GPU serverus LLM secināšanai (inference), precīzai pielāgošanai (fine-tuning) un attēlu ģenerēšanai. Reāllaika cenas, stundas apmaksa, PyTorch, vLLM un ComfyUI veidnes, SSH piekļuve.
- Pieejamība reāllaikā, cena apstiprināta pirms pasūtījuma
- Veidnes PyTorch, vLLM, Ollama un ComfyUI
- Apturētiem serveriem ar stundas apmaksu maksa ir tikai par disku
Ar Cloudj GPU Cloud jūs varat iznomāt GPU serveri no reāllaika krājumiem: izvēlieties GPU modeli, VRAM un disku, sāciet no tādas veidnes kā PyTorch, vLLM, Ollama vai ComfyUI un pieslēdzieties caur SSH. Par stundas serveriem maksa tiek iekasēta no jūsu konta bilances, un par apturētu stundas serveri tiek aprēķināta maksa tikai par disku.
GPU nomas cenas un pieejamība reāllaikā
Reāllaika krājumi: pieejamība un cenas mainās atbilstoši tirgum. Vadības panelī tiek apstiprināta galīgā cena pirms pasūtījuma.
| GPU | VRAM katrai GPU | Arhitektūra | FP32 veiktspēja | Jaudas limits | No | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | Sīkāk → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Sīkāk → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Sīkāk → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | Sīkāk → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | Sīkāk → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | Sīkāk → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | Sīkāk → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | Sīkāk → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | Sīkāk → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | Sīkāk → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | Sīkāk → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | Sīkāk → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | Sīkāk → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | Sīkāk → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | Sīkāk → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | Sīkāk → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | Sīkāk → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | Sīkāk → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | Sīkāk → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | Sīkāk → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | Sīkāk → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | Sīkāk → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | Sīkāk → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | Sīkāk → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | Sīkāk → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | Sīkāk → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | Sīkāk → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | Sīkāk → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | Sīkāk → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | Sīkāk → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | Sīkāk → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | Sīkāk → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | Sīkāk → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | Sīkāk → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | Sīkāk → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | Sīkāk → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | Sīkāk → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | Sīkāk → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | Sīkāk → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | Sīkāk → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | Sīkāk → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | Sīkāk → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | Sīkāk → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | Sīkāk → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | Sīkāk → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | Sīkāk → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | Sīkāk → |
GPU veidnes AI, LLM un renderēšanas slodzēm
LLM inference
vLLM, SGLang vai Ollama ar Open WebUI valodu modeļu darbināšanai un testēšanai.
Fine-tuning
Unsloth Studio valodu modeļu precīzai pielāgošanai ar jūsu datiem.
Attēlu un video ģenerēšana
ComfyUI Flux, SDXL un video darbplūsmām.
PyTorch un CUDA izstrāde
PyTorch un Ubuntu 24.04 attēli ar NVIDIA CUDA, pieejami caur SSH.
Darbvirsma vai pilna VM
Ubuntu darbvirsma pārlūkprogrammā vai pilnvērtīga KVM virtuālā mašīna, kad vien nepieciešams.
Kā iznomāt GPU serveri 4 soļos
- 01
Izvēlieties veidni un diska izmēru
- 02
Izvēlieties saderīgu GPU no reāllaika krājumiem
- 03
Apstipriniet cenu un izveidojiet serveri, izmantojot sava konta bilanci
- 04
Pieslēdzieties, izmantojot SSH vai pārlūkprogrammas termināli
GPU mākoņa cenas un norēķini
- Stundas maksa: par GPU tiek aprēķināta maksa par stundu, kamēr serveris darbojas. Par apturētu stundas serveri tiek iekasēta maksa tikai par tā disku.
- Norēķinu periodi: mēneša, ceturkšņa, pusgada vai gada, uzrādot visas atlaides pirms apmaksas veikšanas.
- Diska krātuve tiek apmaksāta par GB kopā ar GPU cenu.
- Cenas ir norādītas USD; tās var attēlot VND pēc pašreizējā valūtas kursa.
GPU mākoņa BUJ
Jebkuru darba slodzi, kas ietilpst GPU atmiņā: LLM secināšanu un precīzo pielāgošanu, attēlu un video ģenerēšanu, renderēšanu un CUDA izstrādi. PyTorch, vLLM, SGLang, Ollama, Unsloth un ComfyUI sagataves instalē programmatūru jūsu vietā.
Augstāk esošajā tabulā ir norādītas pašlaik pieejamās konfigurācijas, tostarp NVIDIA RTX 5090 ar 32 GB VRAM, kad tā ir noliktavā. Pieejamība dienas laikā dinamiski mainās.
Cenas tiek noteiktas pēc reāllaika GPU pieejamības un var mainīties. Vadības konsolē tiek parādīta apstiprinātā cena pirms pasūtījuma veikšanas, un rēķins par serveri tiek izrakstīts tieši par šo apstiprināto summu.
Jā. Papildus stundas apmaksai varat izvēlēties mēneša, ceturkšņa, pusgada vai gada norēķinu ciklu, un visas atlaides tiek uzrādītas pirms apmaksas. Maksa par diska krātuvi tiek aprēķināta par GB kopā ar GPU cenu.
Izvēloties stundas apmaksu, par apturētu serveri tiek iekasēta maksa tikai par diska vietu. Dzēsiet serveri, kad tā dati vairs nav nepieciešami.
Izmantojot SSH ar jūsu atslēgu vai konsoles termināli pārlūkprogrammā. Grafisko saskarni nodrošina arī Desktop un VM veidnes.